K_DM Book
用語集
対象者 標準
対象者別の入口 →

対象者の設定はこのブラウザの中にだけ保存されます。

言語 JA

Jointplotで相関と分布を同時に表示

入門

06.5.4

Jointplotで相関と分布を同時に表示

最終更新 2020-03-11 読了時間 2 分
まとめ
Jointplot は、中央に 2 変数の散布図や密度図、その上と右にそれぞれの変数の周辺分布(ヒストグラムや KDE)を並べ、「2 つの量の関係」と「各量の分布の形」を 1 枚で読む図です。seaborn の sns.jointplot(data=df, x=..., y=..., kind="kde") の 1 行で 3 つのパネルが揃い、kind を "scatter"・"hex"・"hist" に替えるだけで中央の描き方が切り替わります。この章では fmri データのうち frontal 領域の timepoint と signal を kind="kde" の等高線で描きます。読み終えると、中央の濃い領域と周辺の山の対応を読む方法、データが少ないときに KDE を避ける理由、height で図の大きさを確保する理由が分かります。

先に 散布図の基本形 で 2 変数の点の打ち方を見ておくと、Jointplot が「散布図の上と右に分布を足した図」だと分かります。

直感 #

散布図を見て「右上がりの帯だ」と分かっても、横の量が 0〜18 のどこに集中しているのか、縦の量が左右対称に散っているのか片側に偏っているのかは、点の密度を目で数えるしかありません。Jointplot は散布図の上に横軸の変数の分布、右に縦軸の変数の分布を貼り付けます。中央で濃い領域を見つけたら、真上と真横に目を動かせば、その領域が各変数の KDE のどの山に対応するかが読めます。fmri データでは timepoint が 0 から 18 の整数、signal が 0 付近で揺れる信号値で、「刺激の後の数秒で信号が高くなる」関係が中央の等高線の形に出ます。

何が起きているか(ステップで見る) #

コードを読む前に、この手法が図の上で何をしているかを追ってみましょう。「再生」を押すか、スライダーを動かすと 1 手順ずつ進みます。

見るポイント:r は「直線に沿う強さ」。曲線的な関係や外れ値があると、r だけでは関係を見誤る。

Python で描く #

次のコードは、seaborn 付属の fmri データから region == "frontal" の行だけを取り出し、timepoint を横、signal を縦にして sns.jointplot(kind="kde", fill=True) で描きます。中央は塗りつぶした密度の等高線、上と右は各変数の KDE 曲線になります。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
import seaborn as sns

fmri = sns.load_dataset("fmri")
subset = fmri[fmri["region"] == "frontal"].copy()

g = sns.jointplot(
    data=subset,
    x="timepoint",
    y="signal",
    kind="kde",
    fill=True,
    cmap="Blues",
    height=4.5,
)
g.fig.suptitle("fMRI 信号の Jointplot", y=1.02)

plt.show()

seaborn.jointplot は中央に散布図、上下左右にヒストグラムを描画してくれる便利な関数ですの図

実行結果の読み方 #

中央の Blues の等高線は、内側ほど濃く、点が密集している場所を示します。timepoint が 0 から 18 まで等間隔の整数なので、横方向には縦じまのように密度が並び、signal 方向では 0 付近に厚く、刺激の後の時点で上に伸びる形が見えます。上のパネルの KDE は timepoint がほぼ一様に分布していることを、右のパネルは signal が 0 の少し下に山を持ち右に長い裾を引くことを示し、中央の濃い領域の位置がこの 2 つの山の交点にあたります。

使いどころと落とし穴 #

Jointplot が向くのは、探索的データ分析の最初に 2 変数の相関と各変数の分布の形を一度に確かめたい場面です。1 行で済むので、列の組み合わせを変えて何枚も描くのに適しています。3 パネルの構成は固定です。周辺を種類の違う図にしたり凡例の位置を細かく動かしたりしたいときは、マージナルヒストグラム付き散布図 の JointGrid で自分で組み立てます。落とし穴の 1 つ目は kind の選び方で、数十行しかないデータに kind="kde" を使うと滑らかすぎる曲線が実態とかけ離れるため、100 行未満なら kind="scatter" か kind="hist" にします。2 つ目は図の大きさで、height を小さくすると周辺分布が潰れて読めなくなるので 4.5 以上を目安にし、点が数万あって等高線の計算が重いときは subset.sample(5000) で間引くか levels を減らします。